Übersicht
Die Lösung „Mit Machine Learning brandaktuelle Themen entdecken“ hilft Ihnen, die wichtigsten Themen im Zusammenhang mit Ihren Produkten, Richtlinien, Veranstaltungen und Marken zu identifizieren. Dies hilft Ihnen, schnell auf neue Wachstumschancen zu reagieren, negative Markenassoziationen anzusprechen und ein höheres Maß an Kundenzufriedenheit für Ihr Unternehmen zu erreichen. Mithilfe dieser Lösung erfahren Sie nicht nur, was Ihre Kunden über Ihre Marke sagen, sondern erhalten auch Einblicke in Themen, die für Ihr Unternehmen relevant sind.
Diese Lösung setzt eine AWS-CloudFormation-Vorlage ein, um die Datenerfassung aus diesen Quellen zu automatisieren:
- RSS-News-Feed
- Mit Videos verknüpfte YouTube-Kommentare
- Reddit (Kommentare von Subreddits von Interesse)
- Benutzerdefinierte Daten im JSON- oder XLSX-Format
Vorteile
Ermöglichen Sie eine sichere Bereitstellung mit nur einem Mausklick mit einer AWS CloudFormation-Vorlage, die anhand von Methoden des AWS Well-Architected Framework entwickelt wurde.
Geben Sie Streamingdaten mit Texten und Bildern ein und analysieren Sie diese dann in nahezu Echtzeit. Durchführung von Themenmodellierung zur Erkennung dominanter Themen und Indentifizierung im Kundenfeedback die Begriffe, die zusammen ein Thema bilden.
Verwenden Sie Amazon Translate, um Daten in verschiedenen Sprachen einzugeben. Identifizierung der Stimmung von Kundenmeinungen und Verwendung einer kontextbezogenen semantischen Suche, um den Inhalt von Online-Diskussionen zu verstehen.
Starten Sie das vorgefertigte Amazon QuickSight-Dashboard, um die groß angelegten Kundenanalysen der Lösung zu visualisieren. Identifizieren Sie Erkenntnisse nahezu in Echtzeit, um Zusammenhänge, Bedrohungen und Chancen fast sofort besser zu verstehen.
Technische Details
Sie können diese Architektur mit dem Implementierungsleitfaden und der dazugehörigen Vorlage für AWS CloudFormation automatisch bereitstellen.
Diese Komponenten wurden mit dem AWS-Well-Architected-Framework und den AWS-Well-Architected Säulen für Operational Excellence, Sicherheit, Zuverlässigkeit, Leistung und Effizienz sowie Kostenoptimierung konzipiert. Das sorgt für eine sichere, leistungsfähige, stabile und effiziente Infrastruktur.
Schritt 1 – Aufnahme
AWS-Lambda-Funktionen, Amazon DynamoDB und Amazon EventBridge bieten die Aufnahme und Verwaltung von sozialen Meiden und RSS-Feeds. Detaillierte Diagramme der Referenzarchitektur für Twitter, YouTube-Kommentare, RSS-Newsfeeds und benutzerdefinierte Aufnahme mit einem Amazon Simple Storage Service (Amazon-S3)-Bucket finden Sie im Implementierungsleitfaden.
Schritt 2 – Datenstrom
Die Daten werden mit Amazon Kinesis Data Streams zwischengespeichert, um für Ausfallsicherheit zu sorgen und eingehende Anforderungen zu drosseln. Die Kinesis Data Streams verfügen über eine konfigurierte DLQ, um etwaige Fehler bei der Verarbeitung von Feeds abzufangen.
Schritt 3 – Workflow
Ein Verbraucher (Lambda-Funktion) der Kinesis Data Streams startet einen AWS-Step-Functions-Workflow, der unter anderem folgende Amazon-Machine-Learning-Funktionen orchestriert: Amazon Translate, Amazon Comprehend und Amazon Rekognition.
Schritt 4 – Integration
Die Inferenzdaten werden über eine ereignisgesteuerte Architektur mit Hilfe von EventBridge in die Speicherkomponenten integriert. EventBridge erlaubt weitere Anpassungen, um zusätzliche Ziele durch die Konfiguration von Regeln hinzuzufügen.
Schritt 5 – Speicher und Visualisierung
Eine Kombination aus Amazon Kinesis Data Firehose, S3-Buckets, AWS-Glue-Tabellen, Amazon Athena und Amazon QuickSight bieten Speicher und Visualisierung.
Schritt 1 – Aufnahme
AWS-Lambda-Funktionen, Amazon DynamoDB und Amazon EventBridge bieten die Aufnahme und Verwaltung von sozialen Meiden und RSS-Feeds. Detaillierte Diagramme der Referenzarchitektur für Twitter, YouTube-Kommentare, RSS-Newsfeeds und benutzerdefinierte Aufnahme mit einem Amazon Simple Storage Service (Amazon-S3)-Bucket finden Sie im Implementierungsleitfaden.
Schritt 2 – Datenstrom
Die Daten werden mit Amazon Kinesis Data Streams zwischengespeichert, um für Ausfallsicherheit zu sorgen und eingehende Anforderungen zu drosseln. Die Kinesis Data Streams verfügen über eine konfigurierte DLQ, um etwaige Fehler bei der Verarbeitung von Feeds abzufangen.
Schritt 3 – Workflow
Ein Verbraucher (Lambda-Funktion) der Kinesis Data Streams startet einen AWS-Step-Functions-Workflow, der unter anderem folgende Amazon-Machine-Learning-Funktionen orchestriert: Amazon Translate, Amazon Comprehend und Amazon Rekognition.
Schritt 4 – Integration
Die Inferenzdaten werden über eine ereignisgesteuerte Architektur mit Hilfe von EventBridge in die Speicherkomponenten integriert. EventBridge erlaubt weitere Anpassungen, um zusätzliche Ziele durch die Konfiguration von Regeln hinzuzufügen.
Schritt 5 – Speicher und Visualisierung
Eine Kombination aus Amazon Kinesis Data Firehose, S3-Buckets, AWS-Glue-Tabellen, Amazon Athena und Amazon QuickSight bieten Speicher und Visualisierung.
- Datum der Veröffentlichung
Ähnliche Inhalte
In diesem Blogbeitrag erfahren die Leser, wie sie mit der Lösung „Mit Machine Learning brandaktuelle Themen entdecken“ Erkenntnisse aus Social-Media-Feeds ziehen können, um schnell entstehende Wachstumschancen zu nutzen, negativen Stimmungen entgegenzuwirken und die Kundenzufriedenheit zu verbessern. Zur Veranschaulichung gehen wir einen geschäftlichen Anwendungsfall in der Medien- und Unterhaltungsbranche durch.